opencv-单模板匹配

我们先介绍以下模板匹配的原理
类似于滑块验证码，当匹配的图片与原图存在相似的时候可认为匹配成功，并且继续遍历全图，找到相似度的地方会自带替换掉原来匹配的模块。其算法原理是逐一计算匹配图片和模板图片ROI像素相关程度

int main()
{
	Mat src1,src2,src3;
	src1 =imread("C://Users//Administrator//Desktop//cph.png");//原图
	src2 = imread("C://Users//Administrator//Desktop//cph2.png");//模板图
   	int row = src1.rows - src2.rows + 1;//结果矩阵行数，=原图和模板图行数对其的次数
	int col = src1.cols - src2.cols + 1;//结果矩阵列数，=原图和模板图列数对其的次数
	src3.create(col, row, CV_32FC1);//比较结果的矩阵，实际上存储的每个点是原图与模板图每个点匹配的相似度，32位单通道(为了寻找最大和最小值)

	matchTemplate(src1, src2, src3, 1);//进行匹配，将其匹配相似度存放到src3.其中0-5是6种匹配方法 
	normalize(src3, src3, 0, 1, NORM_MINMAX);//矩阵归一化处理，用于调节对比度 避免光线和环境灰暗影响过大。0-1是min-max范围 ，NORM_MINMAX是归一化的一种类型。(模板匹配方法1，3，5需要用到)

	double minvalue;//匹配程度最小
	double maxvalue;//匹配程度最大
	Point minloction;//最小的坐标点
	Point maxloction;//最大的坐标点


	minMaxLoc(src3, &minvalue, &maxvalue, &minloction, &maxloction);//寻找匹配程度，也就是结果矩阵中最大和最小值，也就是结果图中灰度最高和最低的两个点，不同的匹配方法有的以最大为佳匹配位置，有的以最小为佳。如果存在多个最大最小值则以第一次为准
	cout << "匹配系数最小：" << minvalue << endl;
	cout << "匹配最大：" << maxvalue << endl;


	//rectangle(src1, Point(maxloction.x +src2.cols, maxloction.y + src2.rows),maxloction,  Scalar(0, 0, 255), 1, 1, 0);//画一个矩形来标记匹配后的区域 参数为(图，左上角坐标，右下角坐标，线条颜色，线条粗细，类型，坐标点位数)
	rectangle(src1, minloction, Point(minloction.x + src2.cols, minloction.y + src2.rows), Scalar(0, 0, 255), 1, 1, 0);//
	imshow("img", src1);
	imshow("img2", src3);
	waitKey(0);
	
	return 0;

我们先看src3 在各匹配方法的差异
(x,y是此时原图匹配位置的坐标，也就是此时结果矩阵的左上角坐标，x‘，y’是模板图遍历的坐标点)
这里是按匹配系数最小值计算，我们发现img2中最黑的地方是最佳匹配位置
方法0
平方差匹配法(0最佳，越高越差)
我们用最小值匹配，发现它很接近0
再看方法1
归一化平方差匹配法(0最佳)


匹配程度更小，比方法0更好
下面用的是匹配程度最大相关，我们需要改动代码，我们发现img2中最白的地方是最佳匹配位置

	rectangle(src1, maxloction, Point(maxloction.x + src2.cols, maxloction.y + src2.rows), Scalar(0, 0, 255), 1, 1, 0)

方法2
相关性匹配方法(值越高越好，越小越差)


我们可以发现此方法最亮的地方不在最佳匹配位置，匹配失败
方法3
归一化的相关性匹配方法(值越高越好)

方法4·
相关性系数匹配方法(匹配效果好坏在1~-1间，0表示无关)


方法5
归一化的相关性系数匹配方法(值越高越好，越低越差)